Buchumschlag

Exploiting Features and Logits in Heterogeneous Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chan, Yun-Hin, Ngai, Edith C. -H.
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedIN: Federated Intermediate Layers Learning for Model Heterogeneity
von: Chan, Yun-Hin, et al.
Veröffentlicht: (2023)

Internal Cross-layer Gradients for Extending Homogeneity to Heterogeneity in Federated Learning
von: Chan, Yun-Hin, et al.
Veröffentlicht: (2023)

Synergizing Foundation Models and Federated Learning: A Survey
von: Li, Shenghui, et al.
Veröffentlicht: (2024)

FedLF: Adaptive Logit Adjustment and Feature Optimization in Federated Long-Tailed Learning
von: Lu, Xiuhua, et al.
Veröffentlicht: (2024)

FedHPL: Efficient Heterogeneous Federated Learning with Prompt Tuning and Logit Distillation
von: Ma, Yuting, et al.
Veröffentlicht: (2024)

Logits Poisoning Attack in Federated Distillation
von: Tang, Yuhan, et al.
Veröffentlicht: (2024)

Logit Calibration and Feature Contrast for Robust Federated Learning on Non-IID Data
von: Qiao, Yu, et al.
Veröffentlicht: (2024)

On-the-Fly Adaptation to Quantization: Configuration-Aware LoRA for Efficient Fine-Tuning of Quantized LLMs
von: Ye, Rongguang, et al.
Veröffentlicht: (2025)

Matching Rates and Optimal Allocation for Federated Probe-Logit Distillation under Heterogeneous Bandwidth Budgets
von: Dubey, Prasanjit, et al.
Veröffentlicht: (2026)

Exploiting Defenses against GAN-Based Feature Inference Attacks in Federated Learning
von: Luo, Xinjian, et al.
Veröffentlicht: (2020)

SCALA: Split Federated Learning with Concatenated Activations and Logit Adjustments
von: Yang, Jiarong, et al.
Veröffentlicht: (2024)

Learning to Scale Logits for Temperature-Conditional GFlowNets
von: Kim, Minsu, et al.
Veröffentlicht: (2023)

Learning and Editing Universal Graph Prompt Tuning via Reinforcement Learning
von: Xu, Jinfeng, et al.
Veröffentlicht: (2025)

Feature Distillation is the Better Choice for Model-Heterogeneous Federated Learning
von: Li, Yichen, et al.
Veröffentlicht: (2025)

Coefficient Shape Alignment in Multiple Functional Linear Regression
von: Jiao, Shuhao, et al.
Veröffentlicht: (2023)

Exploiting LLMs for Automatic Hypothesis Assessment via a Logit-Based Calibrated Prior
von: Gong, Yue, et al.
Veröffentlicht: (2025)

DecHW: Heterogeneous Decentralized Federated Learning Exploiting Second-Order Information
von: Ahmad, Adnan, et al.
Veröffentlicht: (2026)

LiteChain: A Lightweight Blockchain for Verifiable and Scalable Federated Learning in Massive Edge Networks
von: Chen, Handi, et al.
Veröffentlicht: (2025)

Peak-Controlled Logits Poisoning Attack in Federated Distillation
von: Tang, Yuhan, et al.
Veröffentlicht: (2024)

Federated Imputation under Heterogeneous Feature Spaces
von: Hocine, Imane, et al.
Veröffentlicht: (2026)

Ferrari: Federated Feature Unlearning via Optimizing Feature Sensitivity
von: Gu, Hanlin, et al.
Veröffentlicht: (2024)

Exploit Gradient Skewness to Circumvent Byzantine Defenses for Federated Learning
von: Liu, Yuchen, et al.
Veröffentlicht: (2025)

Contribution Evaluation of Heterogeneous Participants in Federated Learning via Prototypical Representations
von: Guo, Qi, et al.
Veröffentlicht: (2024)

pFedAFM: Adaptive Feature Mixture for Batch-Level Personalization in Heterogeneous Federated Learning
von: Yi, Liping, et al.
Veröffentlicht: (2024)

Communication-Efficient Federated Learning by Exploiting Spatio-Temporal Correlations of Gradients
von: Zheng, Shenlong, et al.
Veröffentlicht: (2026)

Federated Reinforcement Learning in Heterogeneous Environments
von: Hwang, Ukjo, et al.
Veröffentlicht: (2025)

Federated Reinforcement Learning with Constraint Heterogeneity
von: Jin, Hao, et al.
Veröffentlicht: (2024)

TACO: Tackling Over-correction in Federated Learning with Tailored Adaptive Correction
von: Liu, Weijie, et al.
Veröffentlicht: (2025)

Logits-Based Finetuning
von: Li, Jingyao, et al.
Veröffentlicht: (2025)

Online Continual Learning via Logit Adjusted Softmax
von: Huang, Zhehao, et al.
Veröffentlicht: (2023)

Heterogeneous Federated Learning Systems for Time-Series Power Consumption Prediction with Multi-Head Embedding Mechanism
von: Syu, Jia-Hao, et al.
Veröffentlicht: (2025)

Multi-modal Dynamic Proxy Learning for Personalized Multiple Clustering
von: Xu, Jinfeng, et al.
Veröffentlicht: (2025)

Federated Learning with Heterogeneous and Private Label Sets
von: Breitholtz, Adam, et al.
Veröffentlicht: (2025)

Federated Learning for Estimating Heterogeneous Treatment Effects
von: Makhija, Disha, et al.
Veröffentlicht: (2024)

Federated Learning for Heterogeneous Bandits with Unobserved Contexts
von: Lin, Jiabin, et al.
Veröffentlicht: (2023)

FedKL: Tackling Data Heterogeneity in Federated Reinforcement Learning by Penalizing KL Divergence
von: Xie, Zhijie, et al.
Veröffentlicht: (2022)

FedMP: Tackling Medical Feature Heterogeneity in Federated Learning from a Manifold Perspective
von: Zhou, Zhekai, et al.
Veröffentlicht: (2025)

Data-Free Client Contribution Estimation via Logit Maximization for Federated Learning
von: Ukaye, Asim, et al.
Veröffentlicht: (2026)

Logit Distillation on Manifolds: Mapping by Learning
von: Yang, Yiru, et al.
Veröffentlicht: (2026)

Provably Efficient Reinforcement Learning with Multinomial Logit Function Approximation
von: Li, Long-Fei, et al.
Veröffentlicht: (2024)